随着市场经济的深入发展，竞争手段日趋多样化，特别是赊销的发展，在扩大销售业绩的同时，也使许多企业饱受信用风险的困扰。针对企业赊销管理现状，在建立行之有效的信用管理制度和科学的信用评级方法非常必要。 近年来，人工智能技术被引入到信用评级领域，基于神经网络以及神经网络集成的信用评级都取得了不错的效果。本文首先分析现有信用评级的现状以及单个神经网络，神经网络集成，决策树算法，蚁群分类规则挖掘算法的优缺点，然后提出了一种基于选择性神经网络集成的赊销信用评级规则挖掘方法NeAnt。基于NeAnt的赊销信用评级方法在泛化能力，可理解性和可解释性方面强于传统的方法，取得了良好的效果。在NeAnt的基础上进行扩展，提出了NeAnt-e解决赊销信用评级对分类错误代价敏感的问题，使挖掘出的规则不仅有低的错误率，更有低的错误代价。 本文的主要研究成果包括： 1.本文提出了一种基于蚁群算法的选择性神经网络集成方法ANTSEN，利用蚁群算法良好的组合优化性能，选择精度好且具有差异性的个体神经网络进行网络集成，这样不仅可以提高预测精度，而且可以减少网络冗余，提高运行效率，实验表明，ANTSEN的性能优于GASEN和Bagging以及单个神经网络。 2.本文提出了一种改进的蚁群分类规则挖掘算法Ant-Classfier。实验表明，该挖掘算法得到的规则不仅精度高于Ant-Miner，C4.5，而且获得规则数量较少，有很强的概括能力，适合大规模数据集的挖掘。 3.本文提出了一种基于ANTSEN和Ant-Classfier的分类规则挖掘算法NeAnt。NeAnt首先利用ANTSEN的强泛化能力对原始训练数据集进行预处理，然后使用Ant-Classfier从处理过的训练数据进行抽取规则。NeAnt既利用了选择性神经网络集成的强泛化能力，也使抽取的规则具有非常好的可理解性。 4.本文使用NeAnt以及对分类错误敏感的分类算法NeAnt-e对赊销客户进行信用评级。基于NeAnt的赊销客户信用评级方法的预测精度高于选择性神经网络集成、NEC4.5和Ant-Classifier，且挖掘出的规则采用IF-THEN的形式，比神经网络集成具有更好的理解性。从得出的规则可以看出，NeAnt挖掘出的规则具有很好的解释性。数据集经过选择性神经网络处理后，预测精度有所提高，且加入额外的数据后，NeAnt增加的规则数量不大，说明它适合大规模数据集的挖掘。基于NeAnt的赊销客户信用评级方法取得了很好的效果，把该客户信用评级算法嵌入到开发的信用销售管理系统中，帮助企业建立赊销管理和决策，降低企业成本，提高效率。 最后，对全文的研究工作进行了总结，并展望了进一步还要研究的工作。